[論文レビュー] The Impact of Lesion Focus on the Performance of AI-Based Melanoma Classification

Tanay Donde|arXiv (Cornell University)|Jan 1, 2026

Cutaneous Melanoma Detection and Management被引用数 0

ひとこと要約

この論文は、マスク画像・バウンディングボックス・転移学習を用いて、腫瘍部位に対するモデルの注意が黒色腫分類性能に与える影響を分析し、説明可能性手法でアラインメントを評価します。 lesion（病変）に対する注意が大きいほど診断指標が一般的に改善されることを発見しました。

ABSTRACT

Melanoma is the most lethal subtype of skin cancer, and early and accurate detection of this disease can greatly improve patients' outcomes. Although machine learning models, especially convolutional neural networks (CNNs), have shown great potential in automating melanoma classification, their diagnostic reliability still suffers due to inconsistent focus on lesion areas. In this study, we analyze the relationship between lesion attention and diagnostic performance, involving masked images, bounding box detection, and transfer learning. We used multiple explainability and sensitivity analysis approaches to investigate how well models aligned their attention with lesion areas and how this alignment correlated with precision, recall, and F1-score. Results showed that models with a higher focus on lesion areas achieved better diagnostic performance, suggesting the potential of interpretable AI in medical diagnostics. This study provides a foundation for developing more accurate and trustworthy melanoma classification models in the future.

研究の動機と目的

• 信頼性のあるAIを黒色腫診断で実現する必要性を、病変への注意が性能にどう影響するかを検討して動機づける。
• 病変領域への注意を高めると分類精度・適合率・再現率・F1スコアが向上するかを評価する。
• 病変に焦点を当てるためのマスキング、境界ボックス検出、転移学習などの手法を評価する。
• 注意マップと病変の整合性を質的に評価するため、複数の説明可能性手法を比較する。

提案手法

• InceptionV3をベースとするCNN分類器をISIC-2019およびHAM10000データセットでトレーニング・比較する。
• バウンディングボックス検出をYOLOv8で行い（HAM10000で訓練）、分類前に病変を局在化する。
• segmentationマスクを適用して白背景を作成し病変を分離することで、マスク画像を生成する。
• Masked-to-regular転送を実施し、マスク画像で訓練したモデルを通常画像でファインチューニングする。
• マスクドと通常データセットを、通常画像比率を50/75/90%とし、2つの訓練開始点（ImageNet事前学習と皮膚癌事前学習）を組み合わせる。
• Grad-CAM、Sobol’, RISEを適用して最終モデルの病変領域のアラインメントを質的に評価する。

実験結果

リサーチクエスチョン

• RQ1 病変領域へのモデル注意が黒色腫分類性能の改善と相関するか？
• RQ2 病変局在化とマスキング戦略は、ベースライン分類器と比べて診断指標を改善できるか？
• RQ3 説明可能性手法は、異なる訓練構成で病変への注意の整合性をどのように反映するか？
• RQ4 マスクドと通常データセットを組み合わせた場合、精度・適合率・再現率・F1スコアにどのような影響があるか？

主な発見

• ベースラインのInceptionV3は精度90.22%、F1 0.743（適合率0.8096、再現率0.6868）。
• YOLOベースの病変検出は精度85.13%だがF1は0.348にとどまり、黒色腫検出のバランスが不十分であることを示唆。
• Masked-to-regular転送（最良設定）は精度90.19%、F1 0.734（適合率0.831、再現率0.657）。
• 通常画像75%を含む結合データセット（方法2）は精度91.87%、F1 0.780（適合率0.853、再現率0.719）。
• 真の黒色腫ケースでは、結合データセットモデルの注意アラインメントの改善が再現率の向上と相関（0.719）を示した。
• 真の非黒色腫ケースでは、注意アラインメントの改善が適合率の向上と相関（0.853）を示した。